Neue Methode für präzise Batterieleistungsschätzung
Die Entwicklung von Elektrofahrzeugen (EVs) steht vor einer zentralen Herausforderung: die genaue Echtzeit-Bestimmung der maximalen Leistungsabgabe einer Lithium-Ionen-Batterie, bekannt als State of Power (SOP). Diese Kenngröße bestimmt, wie viel Energie für Beschleunigung oder Rekuperation während des Bremsvorgangs genutzt werden kann. Eine zu konservative Schätzung beeinträchtigt die Fahrzeugleistung, während eine zu optimistische Einschätzung die Batterie beschädigen oder zu Sicherheitsabschaltungen führen kann. Eine bahnbrechende neue Methode, die von einem Forschungsteam unter der Leitung von Li Qiang von Weichai Power Co., Ltd. in Zusammenarbeit mit Wissenschaftlern der School of Mechanical Engineering an der Beijing Institute of Technology entwickelt wurde, verspricht nun eine beispiellose Genauigkeit und Robustheit über den gesamten Lebenszyklus einer Batterie hinweg.
Die Arbeit, die von Li Qiang, Zhang Kaixuan, Yuan Wenwen, Xu Yahan, Yang Ruixin und Fang Yu durchgeführt wurde, adressiert die fundamentalen Schwächen bisheriger Ansätze. Batterien sind dynamische Systeme, deren Leistung sich mit der Zeit, der Temperatur und der Belastung verändert. Diese zeitvarianten, nichtlinearen Eigenschaften machen eine präzise, online-fähige SOP-Schätzung zu einem der hartnäckigsten technischen Probleme für Batteriemanagementsysteme (BMS). Traditionelle Methoden stoßen hier an ihre Grenzen. Die sogenannte „Kartenmethode“ basiert auf vorgefertigten Look-up-Tabellen aus Offline-Tests. Sie ist rechenleicht, kann aber nicht auf den sich verändernden Zustand einer alternden Batterie reagieren und liefert daher im realen Betrieb oft ungenaue Werte. Datengetriebene Modelle behandeln die Batterie als „Black Box“ und lernen aus riesigen Datensätzen. Ihre Genauigkeit hängt jedoch vollständig von der Qualität und Quantität der Trainingsdaten ab. Die kontinuierliche Gewinnung zuverlässiger Referenz-SOP-Daten für das Training ist extrem schwierig, was diese Modelle für den Einsatz in Echtzeitsystemen wenig praktikabel macht. Der dritte Ansatz, die Schätzung auf Basis mehrerer Einschränkungen (multi-constraint estimation), verwendet ein dynamisches Batteriemodell, um den maximal zulässigen Strom anhand von Grenzwerten für Spannung, Ladezustand (SOC) und Temperatur zu berechnen. Die Genauigkeit dieser Methode hängt entscheidend von der Qualität des zugrundeliegenden Batteriemodells und der Präzision ab, mit der dessen interne Parameter – wie Innenwiderstand und Kapazität – in Echtzeit identifiziert werden können. Frühere Methoden hatten oft Schwierigkeiten, diese Parameter zuverlässig zu verfolgen, wenn sie sich langsam durch Alterung und Temperaturschwankungen verändern, was zu akkumulierenden Fehlern führte.
Die neuartige Methodik der Forschergruppe greift dieses Kernproblem der Parameterdrift direkt an. Ihre Lösung basiert auf einer fundierten Modellauswahl und einem systemweiten Verständnis. Das Team begann mit der Bewertung von zwölf gängigen äquivalenten Schaltkreismodellen (ECM), die das elektrische Verhalten einer Batterie mathematisch abbilden. Nach umfangreichen Tests, darunter der Standard-Hybrid-Pulse-Power-Characteristic-(HPPC)-Test und dynamische Fahrzyklen wie UDDS und DST, entschieden sie sich für das Thevenin-Modell erster Ordnung (RC-Modell). Dieses Modell, das eine Leerlaufspannung, einen ohmschen Widerstand und ein RC-Netzwerk zur Darstellung von Polarisierungseffekten umfasst, wurde aufgrund seines optimalen Kompromisses zwischen hoher Spannungsvorhersagegenauigkeit und geringem Rechenaufwand ausgewählt – eine entscheidende Voraussetzung für die Implementierung in einem ressourcenbeschränkten BMS.
Eine entscheidende Innovation liegt im Übergang vom Einzelzellenmodell zum kompletten Batteriesystem. Anstatt jede einzelne Zelle zu modellieren – was rechnerisch unmöglich wäre – entwickelten die Forscher ein „Doppel-Charakteristik-Zellen-Modell mit gleichmäßiger Verteilung“. Dieses Modell konzentriert sich auf die beiden kritischsten Zellen im Pack: die mit der höchsten und die mit der niedrigsten Spannung zu einem bestimmten Zeitpunkt. Unter der Annahme einer gleichmäßigen Verteilung der Zellzustände über das gesamte Pack kann das komplexe System effektiv vereinfacht werden. Das BMS muss nur noch die Gesamtspannung des Packs sowie die Spannungen dieser beiden repräsentativen Zellen überwachen. Diese elegante Vereinfachung ermöglicht es, den hochpräzisen Algorithmus für Einzelzellen auf die Verwaltung eines gesamten Packs mit minimalem Rechenaufwand zu skalieren, ein entscheidender Vorteil für kommerzielle Anwendungen.
Im Zentrum des Durchbruchs steht der neuartige „Multi-Time-Scale-Sliding-Window-Double-Extended-Kalman-Filter“ (DEKF)-Algorithmus. Der Kalman-Filter ist ein leistungsfähiges mathematisches Werkzeug zur Schätzung des Zustands eines dynamischen Systems aus verrauschten Messungen. Der „Double“ Extended Kalman Filter (DEKF) verwendet zwei miteinander verbundene Filter: einen zur Schätzung der augenblicklichen Zustände der Batterie (wie SOC und Polarisierungsspannung) und einen zweiten zur Schätzung der langsam veränderlichen Modellparameter (wie Innenwiderstände und Kapazitäten). Der „Multi-Time-Scale“-Aspekt ist die entscheidende Verbesserung. Er berücksichtigt, dass der Zustand der Batterie (z. B. SOC) sich schnell mit der Last ändern kann, während ihre grundlegenden Parameter (z. B. Innenwiderstand) sich sehr langsam über Stunden, Tage oder Wochen aufgrund von Alterung und Temperaturverschiebungen verändern. Der Algorithmus arbeitet auf zwei verschiedenen Zeitskalen: einer „engen“ Skala für schnelle Zustandsaktualisierungen und einer „weiten“ Skala für seltene Parameteraktualisierungen. Dies verhindert, dass das durch schnelle Zustandsänderungen verursachte Rauschen die Schätzung der langsam veränderlichen Parameter beeinträchtigt, ein häufiges Problem bei Standard-DEKF-Implementierungen, das zu Instabilität und Fehlern führt.
Die „Sliding-Window“-Komponente verbessert die Robustheit und Genauigkeit des Algorithmus weiter. Anstatt nur einen einzelnen Datenpunkt zu verwenden, analysiert der Parameter-Schätzfilter ein Fenster mit kürzlich gesammelten Daten – in ihrer Implementierung 300 aufeinanderfolgende Datenpunkte. Dieser Mittelungseffekt glättet transiente Störungen und Messfehler und führt zu einer stabileren und zuverlässigeren Parameterschätzung. Der Algorithmus ist außerdem so konzipiert, dass er sich selbst aktualisiert. Durch die Einbeziehung der Ergebnisse periodischer Spitzenleistungstests – standardisierter Verfahren zur Messung der tatsächlichen Leistungsfähigkeit der Batterie in verschiedenen Zuständen – wird die Parameterbibliothek des Modells kontinuierlich verfeinert. Dies schafft eine Feedback-Schleife, bei der der Algorithmus aus dem realen Betriebsverhalten lernt und eine „langsame zeitliche Variation“ der Parameter ermöglicht, die den Alterungsprozess und die sich verändernden Eigenschaften der Batterie über ihre gesamte Lebensdauer hinweg genau abbildet.
Zur Berechnung des SOP selbst verwendeten die Forscher einen anspruchsvollen Ansatz, der auf dem Konzept der konstanten Leistung basiert. Anstatt eine einfache Momentanauswertung vorzunehmen, prognostiziert der Algorithmus, ob eine vorgeschlagene konstante Leistungsstufe über eine bestimmte Dauer (z. B. 10 Sekunden) aufrechterhalten werden kann, ohne die Spannungsgrenzen zu überschreiten. Dies erfordert eine Vorwärts-Simulation der Spannungsreaktion der Batterie über diesen Zeitraum. Da diese Beziehung komplex und nichtlinear ist, verwendeten die Forscher ein „Bisektionsverfahren“ (eine Form der binären Suche). Der Algorithmus beginnt mit einer ersten Schätzung für die maximale Leistung, simuliert die resultierende Spannung, vergleicht sie mit den sicheren Spannungsgrenzen und passt dann seine Leistungsschätzung – nach oben oder unten – iterativ an, bis er sich mit hoher Präzision dem wahren maximalen nachhaltigen Leistungsniveau annähert. Diese Methode stellt sicher, dass die geschätzte SOP eine praktische, nutzbare Leistung widerspiegelt, nicht nur einen theoretischen Momentanpeak.
Der entscheidende Test für jeden BMS-Algorithmus ist seine Leistung unter realen Bedingungen. Zur Validierung ihrer Methode gingen die Forscher über reine Simulationen hinaus und bauten eine umfassende Hardware-in-the-Loop-(HIL)-Testplattform auf. Diese anspruchsvolle Einrichtung integriert reale physikalische Komponenten – wie einen 150-Ah-Batteriepack aus drei parallelgeschalteten 50-Ah-Ternär-Lithium-Ionen-Zellen, hochpräzise Batterie-Cycler-Hardware von ARBIN und eine programmierbare Klimakammer – mit einer Echtzeitsimulationsumgebung, die auf einer dedizierten MPC5644-Hauptsteuerplatine läuft. Dies ermöglicht es, den Algorithmus gegen das tatsächliche Batterieverhalten unter kontrollierten, aber realistischen Bedingungen zu testen, was eine weitaus rigorosere Validierung darstellt als eine reine Software-Simulation.
Die experimentelle Kampagne war außerordentlich gründlich. Das Team führte umfangreiche Tests an einem neuen und einem gealterten Batteriepack durch und unterzog sie über einen Zeitraum von sechs Monaten einer Vielzahl von Bedingungen. Dies umfasste vier verschiedene Temperaturen (-10°C, 0°C, 25°C und 45°C) und vier anspruchsvolle Fahrzyklen (NEDC, UDDS, US06 und WLTC), die alles von Stadtverkehr bis zu aggressiven Autobahnmanövern simulieren. Die HIL-Plattform führte diese komplexen Testprotokolle aus und sammelte riesige Datenmengen zu Spannung, Strom, Temperatur und den internen Schätzungen des Algorithmus.
Die Ergebnisse dieser strengen Validierung waren beeindruckend. Für die Schätzung des Ladezustands (SOC), eine für sich genommen kritische Kenngröße, demonstrierte der Algorithmus außergewöhnliche Genauigkeit. In 14 verschiedenen Testszenarien am neuen Batteriepack betrug der maximale SOC-Schätzfehler nur 2,192 %. Noch herausfordernder war die Leistung am gealterten Batteriepack, bei dem interne Veränderungen stärker ausgeprägt sind: Hier betrug der maximale Fehler lediglich 2,82 %. Diese Ergebnisse liegen weit innerhalb der strengen Anforderungen der Industrie an die BMS-Genauigkeit.
Die Leistung bei der SOP-Schätzung war noch überzeugender. Das primäre Maß für die SOP-Genauigkeit ist der „äquivalente Spannungsfehler“, der die Differenz zwischen der vorhergesagten Spannung am Ende einer Spitzenleistungs-Entladung oder -Ladung und der tatsächlich gemessenen Spannung misst. Ein kleiner Fehler zeigt an, dass der Algorithmus die Leistungsgrenze korrekt vorhergesagt hat. Die Forscher bewerteten dies auf mehreren SOC-Stufen (von 3 % bis 95 %) und über vier Temperaturen. Die Ergebnisse zeigen, dass an jedem einzelnen Testpunkt, für den Daten verfügbar waren, der äquivalente Spannungsfehler unter 40 Millivolt (mV) lag. In vielen Fällen war er noch niedriger, oft unter 20 mV. Ein Fehler von 40 mV an einer typischen 3-4-Volt-Zelle entspricht einer Genauigkeit von über 98 %, was für BMS-Anwendungen in der Praxis als ausgezeichnet gilt. Dieses Niveau an Präzision bedeutet, dass das BMS die Batterie mit größerem Vertrauen näher an ihre wahren physikalischen Grenzen bringen kann, was die Fahrzeugleistung maximiert und die Effizienz beim Rekuperieren verbessert, ohne die Sicherheit zu beeinträchtigen.
Die Implikationen dieser Forschung sind für die gesamte EV-Branche von großer Bedeutung. Eine genaue SOP-Schätzung ermöglicht aggressivere und effizientere Energiemanagementstrategien. Während der Beschleunigung kann das Fahrzeug seine volle Leistung entfalten. Beim Rekuperieren kann es mehr kinetische Energie zurückgewinnen, was die Reichweite verlängert. Sie ermöglicht auch genauere Vorhersagen der Fahrzeugreichweite und -leistung und verbessert so das Erlebnis des Fahrers. Darüber hinaus trägt sie durch die Verhinderung, dass die Batterie über ihre sicheren Betriebsgrenzen hinaus belastet wird, zu einer längeren Lebensdauer und erhöhten Sicherheit bei, zwei der größten Sorgen von EV-Kunden.
Die Arbeit von Li Qiang und seinem Team stellt einen großen Schritt nach vorn in der BMS-Technologie dar. Durch die Kombination eines sorgfältig ausgewählten Batteriemodells, eines skalierbaren systemweiten Ansatzes und eines hochentwickelten Multi-Time-Scale-DEKF-Algorithmus mit einem Sliding-Window haben sie eine Lösung geschaffen, die nicht nur genau, sondern auch robust und anpassungsfähig ist. Sie meistert erfolgreich die komplexe, zeitvariable Natur des realen Batteriebetriebs über Temperatur, Alterung und verschiedene Fahrbedingungen hinweg. Obwohl die Forscher anmerken, dass die Leistung bei sehr niedrigen Temperaturen (unter -20 °C) aufgrund extremer Polarisierungseffekte weiterhin eine Herausforderung darstellt, setzt ihre aktuelle Arbeit einen neuen Maßstab für die SOP-Schätzung. Diese Forschung, veröffentlicht in den Transactions of China Electrotechnical Society (DOI:10.19595/j.cnki.1000-6753.tces.230086), bietet einen leistungsfähigen Werkzeugkasten für BMS-Ingenieure und ebnet den Weg für sicherere, effizientere und leistungsfähigere Elektrofahrzeuge. Li Qiang, Zhang Kaixuan, Yuan Wenwen, Xu Yahan, Yang Ruixin, Fang Yu, Transactions of China Electrotechnical Society, DOI:10.19595/j.cnki.1000-6753.tces.230086